---
title: "Что такое CER (доля ошибок в символах)? Метрика ASR | BroadRouter"
description: "CER оценивает результат распознавания речи и OCR по правкам символов, а не слов. Формула, пример на арабском и когда стоит выбирать CER вместо WER."
url: https://broadrouter.com/ru/glossary/character-error-rate/
lang: ru
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Переведено с английского с помощью ИИ. [Читать оригинал на английском](https://broadrouter.com/glossary/character-error-rate/) (обновлён 2026-11-15).

# Доля ошибок в символах (character error rate, CER)

Обновлено 2026-11-15

Доля ошибок в символах (CER) — это мера точности транскрибации или OCR на уровне символов: число замен, удалений и вставок, нужных, чтобы превратить результат в эталонный текст, делённое на число символов в эталоне. Чем меньше, тем лучше; 0 означает полное совпадение.

Также называют: CER, доля ошибок в символах, процент ошибок в символах, посимвольная ошибка, коэффициент ошибок символов, character error rate

WER спрашивает, сколько слов было неверно. CER спрашивает, сколько неверно букв, и для арабского это часто более честный вопрос.

## Как это работает

CER использует ту же идею редакционного расстояния, что и [доля ошибок в словах (WER)](https://broadrouter.com/ru/glossary/word-error-rate/), но применительно к символам. Карточка метрики Hugging Face даёт формулу:

`CER = (S + D + I) / N`, где S — замены, D — удаления, I — вставки, а N — число символов в эталоне (N = S + D + C, где C — верные символы).

Пример на арабском. Эталон — «وبالكتاب» («и с книгой», одно слово, 8 букв). Транскрипт — «وبلكتاب», в нём пропущен один алиф:

| Метрика | Ошибки | Единицы эталона | Значение |
| --- | --- | --- | --- |
| WER | 1 неверное слово | 1 слово | 1.0 (100%) |
| CER | 1 удалённая буква | 8 символов | 0.125 (12,5%) |

Из-за одной пропущенной буквы для WER неверно всё слово. CER показывает, что транскрипт был почти правильным.

В Python пакет `jiwer` считает её через `jiwer.cer(reference, hypothesis)`, а `jiwer.process_characters` возвращает ещё и выравнивание. Сначала нормализуйте обе стороны, как и для WER: пунктуацию, пробелы, а для арабского — огласовки и формы алифа или йа. См. [нормализацию арабского текста](https://broadrouter.com/ru/glossary/arabic-text-normalization/).

## Почему это важно

-   **Арабская морфология.** В арабском союзы, предлоги и местоимения присоединяются к словам как клитики, так что одно слово может нести то, что по-английски пишется тремя-четырьмя. Одна неверная буква приставки стоит в WER целого слова. CER считает её одним символом.
-   **Языки без пробелов.** WER нужны границы слов. Карточка Hugging Face говорит, что CER полезна “especially for multilingual datasets where WER is not suitable given the diversity of languages.” (перевод: «особенно для многоязычных датасетов, где WER не подходит из-за разнообразия языков».)
-   **Тип ошибок.** Модель с высокой WER, но низкой CER почти угадывает слова: это промахи в написании, хамзе или клитиках, которые может исправить нормализация или шаг коррекции. Высокая CER означает, что модель пропускает целые слова или содержание.
-   **И для OCR.** Та же метрика оценивает текст, распознанный с изображений, поэтому она полезна при сравнении конвейеров [OCR](https://broadrouter.com/ru/glossary/ocr/).

Карточка метрики предупреждает и о том, что CER не говорит, почему возникают ошибки. Читайте примеры транскриптов вместе с метрикой.

## В BroadNet Inference

Для [BroadNet Transcribe Arabic](https://broadrouter.com/ru/models/cohere-transcribe-arabic/) и [BroadNet Transcribe](https://broadrouter.com/ru/models/cohere-transcribe/) BroadNet публикует WER, а не CER. Чтобы получить CER, транскрибируйте тестовый набор своих записей и оцените его сами. В статье [«WER для арабского: разбор»](https://broadrouter.com/ru/blog/arabic-asr-wer-explained/) есть функция нормализации и скрипт на `jiwer`, который выводит и WER, и CER, а в [руководстве по распознаванию арабской речи](https://broadrouter.com/ru/guides/arabic-speech-to-text-api/) — код запроса. Всегда передавайте `language=ar`: без этого арабский может вернуться транслитерированным латиницей, и обе метрики будут испорчены.

## Типичные ошибки

-   **Непоследовательный учёт пробелов.** Решите, считаются ли пробелы символами, и применяйте одно правило ко всем сравниваемым моделям.
-   **Сравнение своей CER с чужой WER.** Это разные шкалы. Сравнивайте одинаковое с одинаковым.

## Вопросы и ответы

### Может ли CER превышать 100%?

Да. В карточке метрики Hugging Face отмечено, что CER не всегда лежит между 0 и 1, особенно когда в транскрипте много вставок, потому что в знаменателе только символы эталона.

### Что указывать для арабского — CER или WER?

Указывайте обе. WER приводят лидерборды и поставщики, так что для сравнения она нужна. CER показывает, неверны ли целые слова или то тут, то там одна буква или клитика, — WER этого не видно.

### Публикует ли BroadNet CER для своих моделей транскрибации?

Нет. BroadNet публикует только WER. Чтобы получить CER, оцените свой тестовый набор инструментом вроде jiwer.

## См. также

-   [Доля ошибок в словах (word error rate, WER)](https://broadrouter.com/ru/glossary/word-error-rate/) (термин)
-   [Распознавание речи (speech-to-text)](https://broadrouter.com/ru/glossary/speech-to-text/) (термин)
-   [Нормализация арабского текста (Arabic text normalization)](https://broadrouter.com/ru/glossary/arabic-text-normalization/) (термин)
-   [Арабские огласовки (ташкиль, tashkeel)](https://broadrouter.com/ru/glossary/arabic-diacritics/) (термин)
-   [Современный стандартный арабский (MSA, фусха)](https://broadrouter.com/ru/glossary/msa/) (термин)
-   [Оптическое распознавание символов (OCR)](https://broadrouter.com/ru/glossary/ocr/) (термин)
-   [Бенчмарк LLM (LLM benchmark)](https://broadrouter.com/ru/glossary/llm-benchmark/) (термин)
-   [API распознавания арабской речи: пошаговое руководство](https://broadrouter.com/ru/guides/arabic-speech-to-text-api/) (руководство)
-   [WER для арабского: что такое доля ошибок в словах в ASR](https://broadrouter.com/ru/blog/arabic-asr-wer-explained/) (статья)
-   [API распознавания арабской речи: как выбрать в 2026 году](https://broadrouter.com/ru/blog/arabic-speech-to-text-api-buyers-guide/) (статья)

Проверьте на своей реальной нагрузке. Новые аккаунты получают стартовый грант US$5 на Gemma и распознавание речи. Для DeepSeek, GLM и Qwen3.8 нужно пополнить баланс.

[Начать](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-glossary-character-error-rate&utm_content=page-cta) ·

**Источники**

-   [Hugging Face evaluate, карточка метрики CER: формула, значения выше 1, многоязычное применение (проверено 2026-11-15)](https://raw.githubusercontent.com/huggingface/evaluate/main/metrics/cer/README.md)
-   [Документация jiwer, использование: jiwer.cer и process\_characters (проверено 2026-11-15)](https://jitsi.github.io/jiwer/usage/)
-   [Каталог моделей BroadNet, распознавание речи: опубликованные замеры WER (проверено 2026-11-15) (на английском)](https://www.broadnet.ai/inference/models)
